01 已具备上下文判断和支撑能力

在教培行业有一个过程指标叫蓄客，指客户大概率会续费但还未续费。我们在完成AI训练后的三天内，使用AI的销售人员蓄客总数共42个，其中AI参与协助的有 33个，占了78%，70%以上（24个）是新引流客户。更惊人的是，在AI协助下，新销售完成了8个业务成单，AI 不仅参与度高达 100%，而且平均每个客户大概生成了 50 - 60 轮对话。这侧面表明，AI已具备了很强的上下文判断和支撑能力。

怎么做到的呢？围绕影响销售转化过程中最关键的两个方面——解决客户顾虑和推动销售进展，让AI在这两个板块发挥辅助作用。总结下来就是以下三点：

第一，客户驱动的MOT。客户在与销售聊天过程中，很有可能需要销售去推断顾虑、需求。比如觉得课程难、时间不够、认为自学就能完成，或者觉得课程价格贵等。

使用AI后，销售人员聊天工具的侧边栏有一个即时辅助窗口，它会持续爬取、加工和推理，分析出目前客户的疑虑所在，提供多种可行的解决思路，并根据对话生成最终回答话术。

如果客户画像缺失，AI会基于大模型的思考，告知应该探查哪些画像信息，以及在什么时机询问客户相关信息。简单来说，AI会摒弃那种连续追问的方式，在与客户对话推进过程中，适时补充提问。

例如，“为了老师能更好地给您提供对应的资料，您能把您的地区告诉老师吗？”AI会在判断销售与客户有一定信任度或交互动作后，弹出提示，告知此时可以询问客户什么信息以及如何询问，这是主动探查，而不是被动等待客户告知画像信息。

同时，整个画像信息会完全同步到模型的客户画像销售看板板块，对于已有的如SM获取到的信息，AI也会同步提示、吸取。相较于传统静态画像，多了主动探查功能。

而当客户进入短暂沉默状态时，AI也会帮助销售用合适的方法唤醒客户，促使客户再次与我们进行交流。

需要强调是的，AI会不断加强对对话端画像信息的收集与捕获。将对话中的关键信息生成模型提取出来，供销售进一步加工，辅助工作。当我们这样把顶级销售的成功路径复制到新销售身上，实现销售能力平权后，就能切实激活千人千面了。

第二个是销售驱动的MOT。有时我们会看到销售和客户聊得火热，比如在聊过年趣事，但没有引导客户进入买卖课程的话题，都是无效沟通。这时AI会把销售拉回正轨，告诉销售应该跟客户聊什么以及怎么聊。

第三是策略的精准执行。引入AI后，只要管理者把在特定时间段想实施的销售策略、打法及行为告知AI，AI就能迅速结合已学习到的经验，形成执行策略、执行思路和相应话术。并且在整个过程中，AI会将过程指标，如采纳率、动作执行率、转化率等进行标准化呈现，方便管理者每天对AI技术进行调整。

02 智能问答转人工率低至20%，99%的对话10秒内回复

迭代后，我公司AI智能问答的转人工率保持在了25%，有时甚至能达到20%，转人工会话量减少了 40%。若加上工单场景，预计转人工率整体下降50%。并且，99%的对话都能在10秒内得到回复。

大家都知道，智能客服基本是基于RAG（检索增强生成）的，原理是对于用户输入的问题，从知识库中进行检索，获取相关参考信息，然后将问题和参考信息一同发送给大模型，由大模型生成回答。我们团队主要做了六点改进。

第一：问题重写。在对话中，用户表达比较口语化，有大量的缩略语、省略和指代，直接用原始问题检索效果不佳。将正确的主语还原，补充省略内容之后，能检索到有价值的信息，生成的回答也更有针对性。

例如，用户先问 “辅导老师是干什么的”，再接着问 “他怎么老给我打电话”，若直接检索很难获取有用信息，但重写为 “辅导老师为什么给我打电话” 之后，检索到有用参考信息的概率就会大大增加。再比如用户问 “孩子物理不行，有什么推荐的”，下一句说 “什么时候上”，就会根据上下文还原为 “初中物理系统班什么时候上课”。

第二，响应未生成前，用户可以随时连续输入。很多产品与大模型交互时，前一个响应未生成前，输入框无法输入新问题，优化后用户体验感明显更佳。

第三，生成个性化回答。回答是基于知识库的，若不同用户问同样的问题，生成相同的答案，效果不太理想。所以我们会根据用户的一些信息，如进入的入口、年龄、学科、最近购买的订单、物流信息等，来生成更个性化的回答。

例如，用户询问 “有哪些数学课”，当在后台将用户年级设定为五年级时，检索系统会查找 “五年级数学课有哪些”，从而为用户提供小学数学相关参考信息。

第四，敏感检测。在教培领域，尤其是K12领域，存在一些敏感问题。比如用户询问 “寒假有没有课”“暑假有没有课”，这些问题看似普通，但实则不便回答。因此，AI客服需要对这类敏感问题进行检测，识别意图，选择避而不答或拒答。

第五，质检。不仅要对用户输入进行质检，筛选出不适合回答的问题，还要对 AI 生成的内容进行质检。其中，即时质检主要检测红线问题，即非常明显的错误；延迟质检则针对疑似回答有问题的内容进行深度质检。

第六，评估，主要是检索器评估和生成器评估。检索器评估包括召回率和精度。召回率是指召回的参考信息中，哪些是理应召回的；精度则是检索到的正确文档数÷检索到的文档数。生成器评估主要关注答案与参考信息之间的一致性，例如模型是否未按参考信息回答，或者是否错误组合参考信息生成答案等。

03 已具备“看”、“想”、“做”的能力

根据调研，家校沟通目前是老师负担最重的工作。以我们的一位有200名学生的英语老师发送课后个性化反馈为例，他需要在企业微信里先找到学生名字，再找出个性化材料，编辑好文案后点击发送，然后重复近200次。整个过程加上编辑文字，需要六个小时，基本上每天要到晚上 11 点多才能下班。

而使用我们内部的一款基于RPA（机器人流程自动化技术）结合GPT的软件后，能基本实现老师工作流自动化。从整理数据，到基于学员数据生成个性化文案，再到最终将结果发送到家长或学生的微信，所有重复性的工作流程都无需人工参与。

并且，具备了看、想、做的能力。“看”就是支持截图、OCR 等功能，无论是 Mac 端、Windows 端，甚至是部分老师使用的 Surface 设备，都能适配运行。既可以以企业微信侧边栏的形式呈现，也可以通过应用消息展示。

“想”就是基于当前数据，比如老师的桌面环境，若文件夹里准备好了五个学生的个性化资料，能够据此判断下一步该做什么。

“做”就是在Windows和Mac电脑上，能够点击、触发快捷键，将老师原本手动完成的工作通过机器人自动化模拟执行。

在这个过程中，我们设计构思产品的思路是这样的：既然老师在家校沟通环节的工作负担较重，所以首先要弄清楚他们沟通的内容和话题。例如笔记、学习习惯、考试规划、课堂表现等每个话题点，背后都对应着单独的产品和流程。

这意味着要在家校沟通场景下实现完全自动化，企业内部就需要建立起这些聊天内容背后所对应的工作流。虽然AI技术层面占比很高，但企业内部在工程方面的建设也必不可少，比如客户报告、业务节点相关产品的建设，如果功能缺失或数据收集不全，就会影响自动化进程。

从时间线维度来看，要明确在什么时间节点可以主动触发机器人（即 RPA）执行相应动作；从业务流程的工作流维度来看，在不同的业务节点也可以触发相应的工作动作。

总结下来，建设 RPA 产品有四个关键要素：

第一，产品背后必须对应完整的工作流。

第二，企业内部所有系统的数据要打通。

第三，要具备一些基本能力，比如上传下载功能、通过 OCR 识别图片等。

第四，消息通道要畅通。很多时候最终交付给老师的可能是一份学习报告的 PDF 文件，但对于老师的工作流而言，这份 PDF 必须发送给家长，才算真正实现端到端的全流程覆盖。